Hacktoberfest 2026: le issue che i maintainer hanno segnato per ottobre, aperte e adatte ai principianti. Sfoglia le issue Hacktoberfest

[T4] Model A: test-set evaluation (accuracy, confusion matrix, precision, recall)

Chiusa Adatta ai principianti
  • Qualcosa non va?
#57 0 commenti 0 reazioni 0 assegnatari Vedi su GitHub

I maintainer di solito rispondono entro 1 giorno

Nessuno ha ancora preso questa issue.

Valutazione

Difficoltà
2/5
Tempo stimato
1-3 ore
Idoneità per principianti
68/100
Tipo di issue
Funzionalità
Chiarezza
Specificata chiaramente
Stato di attività
Attiva
Stack tecnologico
jupyter-notebook, python
Ambito
machine-learning, testing

Direzione di ricerca

Apri ModelA.ipynb e rivedi il lavoro completato dell’issue #56 per identificare il set di test e gli output del modello. Calcola l’accuratezza sul set di test e precisione, richiamo e F1 per classe e macro con classification_report; salva le matrici di confusione con conteggi e normalizzate per riga in figures/model_a_confusion.png. Il lavoro è completo quando le metriche sono stampate, la figura è salvata e la breve discussione identifica le classi confuse e le possibili ragioni.

Scritto dal modello di indicizzazione a partire dal testo della issue.

Descrizione

task-4 ws1-model-a

Assignment task 4 – evaluation part. The test set is used only once, here.

File: ModelA.ipynb

Tasks
  • Test accuracy
  • Per-class and macro precision, recall (and F1) with classification_report
  • Confusion matrix (counts and row-normalised) → figures/model_a_confusion.png
  • Short discussion: which classes are confused (e.g. cats ↔ dogs) and why
Done when

All metrics printed and the confusion-matrix figure saved.

Depends on

#56

Branch: feat/57-model-a-evaluate · open a PR into main with Closes #57 in the description.

Lingua principale
Jupyter Notebook
Stelle
0
Fork
0
Merge medio
2h 25m
PR unite (30g)
16

Preparare l'ambiente

Questo progetto non fornisce container di sviluppo, Dockerfile né guida per i contributori, quindi l'ambiente è a tuo carico: parti dal suo README e consulta la nostra guida al primo contributo per i passaggi generali.

Come iniziare

  1. Leggi tutta la issue e poi la guida ai contributi del progetto.
  2. Commenta sulla issue per dire che te ne occupi tu — evita che due persone facciano lo stesso lavoro.
  3. Fai un fork del repository e lavora su un branch.
  4. Apri una pull request che faccia riferimento al numero della issue.

Altre issue di VisionForgeCSE/CNN-For-Image-Classification

Tutte le issue di VisionForgeCSE/CNN-For-Image-Classification

Issue simili

Altre issue su Machine Learning

Ricevi le nuove issue nella tua casella

Un breve riepilogo di issue GitHub adatte ai principianti.